格隆汇2月26日丨汉桑科技(301491.SZ)在投资者互动平台表示，公司的语音交互模组已用于为海外客户 提供的具备语音交互功能的智能硬件产品中，产品暂不涉及IEEE P3746 技术标准。 ...

Core Insights - Voice is emerging as the next major interface for AI, moving beyond text and screens to become the primary way people interact with machines [2] - ElevenLabs has recently completed a $500 million funding round, achieving a valuation of $11 billion, reflecting growing recognition of voice technology in the AI industry [2] - Major companies like OpenAI and Google are focusing on voice as a core element of next-generation models, while Apple is quietly building voice-related always-on technology through acquisitions [2] Group 1 - ElevenLabs' voice models have advanced beyond simple human voice simulation to incorporate emotional tone and reasoning capabilities, enhancing human-machine interaction [2] - The shift towards intelligent voice systems will reduce the need for explicit user commands, relying instead on continuous memory and context to create a more natural interaction experience [3] - The deployment of voice models is evolving towards a hybrid approach of cloud and device processing, supporting new hardware like headphones and wearables, making voice a continuous companion [3] Group 2 - ElevenLabs is collaborating with Meta to integrate its voice technology into products like Instagram and Horizon Worlds, and is open to working on Meta's Ray-Ban smart glasses [4] - The increasing integration of voice technology into everyday hardware raises significant concerns regarding privacy, surveillance, and the potential misuse of personal data [5]

《智能涌现》获悉，飞书将与安克创新联合发布一款名为"AI录音豆"的智能录音硬件。 从我们获得的资料来看，这是一款重量仅10克的圆形设备，外观呈豆状，机身搭载双MEMS麦克风阵列，整机配合充电舱重量约48克。产品支持蓝牙与 Wi-Fi两种传输模式，主打无感佩戴和随时录音。 自2025年海外创业公司Plaud凭借AI录音卡片产品打开市场后，国内已有多家厂商跟进推出类似产品，但大厂亲自下场做AI录音硬件的案例并不多见。 从2017年成立以来，飞书从未推出过硬件产品。多位接近飞书的人士向36氪表示，这款AI录音豆在飞书内部属于探索性项目，飞书产品团队负责软件部 分研发工作。 从2024年开始，市面上也出现不少AI硬件的创新形态——录音卡片、录音豆、AI便携相机、AI眼镜等产品相继涌现。这些产品都试图在手机之外，找到 一个更贴近用户日常场景的AI交互入口。 飞书和安克创新并没有跟随市场主流的卡片形态，而是选择了更小巧的"豆"状设计，这是一个有意的差异化选择。 卡片形态的优势在于，可以贴合手机背面、利用磁吸，但代价是体积更大、佩戴场景比较受限；豆状设计更像近年流行的AI陪伴硬件，强调无感佩戴和 全天候随身。 比如，用户可 ...

2025年被誉为设计创新与人本科技深度融合的一年。在这一年里，交互设计师朱梦也（Mengye Zhu） 凭借"以人为本"的人工智能交互设计理念脱颖而出，斩获德国 iF 设计奖、欧洲产品设计奖等多项国际 大奖。她的代表作"Quackiverse"将生成式AI与语音交互应用于儿童语言学习，打造个性化且富有情感温 度的学习体验，同时在健康科技与创意教育等领域探索AI交互的新可能。 朱梦也硕士毕业于康奈尔大学设计专业，立志通过设计提升社会的包容性与公平性。她的设计实践跨越 UI/UX、交互艺术和产品创新多个领域，但始终围绕一个核心——让尖端技术服务于人的真实需求。正 如她所强调的，优秀设计需要将创造力、技术与共情心融合在一起。 在她主导设计的代表作"Quackiverse"中，这一理念被完整地呈现。该平台以生成式AI与语音识别技术为 核心，为6至15岁儿童打造了一个沉浸式语言学习世界，让学习不再枯燥，而是一场充满探索与互动的 旅程。"Quackiverse"针对传统语言教育中"缺乏趣味性""难以坚持""家长陪伴不足"等痛点，构建了一个 AI驱动的动态学习系统。通过智能语音反馈、故事式任务与游戏化闯关机制，孩子可以在互 ...

豆神教育（300010.SZ）1月5日在投资者互动平台表示，您好，公司的学伴机器人深度融合了火山引擎 RTC技术与豆包大模型，旨在实现实时对话与精准引导，搭建自然、流畅、富有智慧的语音交互场景。 以上技术模型的接入可以帮助提升学伴机器人的语音交互效果、提升用户体验，但对公司经营基本面无 重大影响。感谢您的关注。 （文章来源：每日经济新闻） 每经AI快讯，有投资者在投资者互动平台提问：请问贵司的产品使用火山引擎技术主要包含哪些方 面？ ...

OpenAI正优化其音频人工智能模型，为计划中的语音驱动型个人设备做准备。 据报道，新语音模型将具备更自然的情感表达能力和实时对话功能，包括处理对话打断的能力，这是现 有模型无法实现的关键特性，计划2026年第一季度发布。 报道援引知情人士称，OpenAI还计划推出一系列无屏设备，包括智能眼镜和智能音箱，将设备定位为 用户的"协作伴侣"而非单纯的应用入口。 不过在推出支持语音指令的消费级AI硬件产品前，OpenAI需要先改变用户的使用习惯。 1月1日，据The Information报道，OpenAI过去两个月内整合工程、产品和研究力量，集中攻克音频交 互的技术瓶颈，目标打造一款可通过自然语音指令操作的消费级设备。 团队整合聚焦无屏交互方式 公司内部研究人员认为，当前ChatGPT的语音模型在准确性和响应速度上均落后于文本模型，且两者使 用的底层架构并不相同。 据报道，OpenAI当前的语音模型与文本模型分属不同架构，导致用户通过语音与ChatGPT对话时，获得 的回答质量和速度均逊于文本模型。 为解决这一问题，OpenAI在过去两个月内完成了关键团队整合。 在组织层面，今夏从Character.AI加入的语 ...

目前，当用户与ChatGPT对话时，虽然聊天机器人能进行语音回复，但其语音版本与文本版本使用的底 层模型并不相同。一位前员工和一位现职员工透露，OpenAI内部研究人员认为，当前语音模型在回答 准确性和响应速度上均落后于文本模型。 为应对这一挑战，过去两个月内，OpenAI已整合了工程、产品和研究团队，共同推进音频模型的优 化。提升语音模型准确性对OpenAI至关重要，因其计划推出一款支持语音指令的消费级设备。据此前 报道，首款设备预计至少一年后面世。 知情人士称，新音频模型架构能生成更自然、更具情感且更精准深入的回应，同时支持与用户实时对话 （现有模型无法实现）并更好地处理对话打断。该模型目标发布时间为2026年第一季度，OpenAI发言 人对此不予置评。 据知情人士透露，OpenAI正采取措施优化其音频AI模型，为未来发布由AI驱动的个人设备做准备。三 名知情人士表示，该设备预计将主要依赖音频交互。 责任编辑：王许宁 据知情人士透露，OpenAI正采取措施优化其音频AI模型，为未来发布由AI驱动的个人设备做准备。三 名知情人士表示，该设备预计将主要依赖音频交互。 与谷歌、亚马逊、Meta和苹果类似，Ope ...

Core Insights - Tongyi released a new end-to-end voice interaction model called Fun-Audio-Chat, which emphasizes "voice-to-voice" interaction capabilities, allowing users to engage in multi-turn conversations directly through voice [1] - The model achieved leading performance in various speech and multimodal evaluations, surpassing several other models of similar parameter scale, indicating its strong capabilities in speech understanding, generation, and dialogue collaboration [1][2] Model Features - Fun-Audio-Chat-8B is part of the Tongyi Bailing voice model family, which previously included speech-to-text and text-to-speech models. Unlike its predecessors, this model focuses on end-to-end voice interaction for applications such as voice chatting, emotional companionship, smart terminal interaction, and voice customer service [1] - The model employs a two-stage training strategy called Core-Cocktail, which integrates speech and multimodal capabilities while fine-tuning existing language model parameters to mitigate the "catastrophic forgetting" issue [2] - It also incorporates multi-stage, multi-task preference alignment training to enhance the model's ability to accurately capture semantic and emotional cues in real voice conversations, improving the naturalness of dialogue [2] Efficiency and Practicality - Fun-Audio-Chat-8B features a dual-resolution end-to-end architecture that compresses, autoregresses, and decompresses audio, reducing the audio frame rate to approximately 5Hz. This design saves nearly 50% of GPU computing costs while maintaining speech quality, which is significant given the high computational costs associated with current speech models [2] - The open-sourcing of Fun-Audio-Chat-8B signifies a move towards practical applications of large speech models in real-world scenarios, emphasizing low computational power and strong dialogue capabilities [2]

Core Insights - Google has launched the Gemini 2.5 Flash Native Audio model, which enables real-time voice translation while preserving tone and delivering a more natural conversational experience, marking a significant advancement in AI interaction [1][3][10]. Group 1: Technological Advancements - The new model allows for direct audio processing without converting speech to text, enhancing the speed and emotional nuance of interactions [6][8]. - Gemini 2.5 Flash supports real-time speech translation, allowing for continuous listening and automatic language switching during conversations, effectively acting as an invisible translator [11][19]. - The model captures emotional nuances in speech, translating not just words but also the speaker's tone and attitude, which is crucial in contexts like business negotiations [12][14][15]. Group 2: Developer and Business Implications - The update improves the accuracy of function calls and command adherence, increasing the compliance rate from 84% to 90%, which is vital for enterprise-level applications [18][23]. - Gemini 2.5 enhances multi-turn dialogue capabilities, allowing for more coherent and logical conversations, making AI interactions feel more human-like [24]. - The introduction of Gemini API in 2026 will expand these capabilities to more products, lowering the barrier for businesses to create advanced AI customer service solutions [28][29]. Group 3: Future Outlook - The advancements signal a shift towards voice interaction as a primary interface for technology, moving AI beyond screens and into everyday life [25][27]. - The potential for users to communicate across language barriers with ease suggests a transformative impact on global communication [28].

Z Highlights Mati Stanizewski ， ElevenLabs 首席执行官兼联合创始人。本次方案为 a16z 合伙人 Jennifer Li 与 Mati 在 2025 年 11 月 4 日进行的讨论，深入探讨了该团 队如何以闪电般的速度运送研究级人工智能 —— 从文本到语音和完全授权的人工智能音乐到实时语音代理，以及为什么语音是下一个人机交互界面。 速度与深度的博弈：我们如何用 " 小团队 " 撬动 " 大研究 " Jennifer Li ： 我很荣幸欢迎我们的首位演讲者 ——ElevenLabs 联合创始人兼首席执行官 Mati 。 Mati ，很高兴你能来到这里。 Mati Staniszewski ： 非常感谢邀请我来这里。很高兴见到大家，早上好。 图片来源： Youtube Jennifer Li ： 刚才的欢迎音 乐是 ElevenLabs 生成的吧？ Mati Staniszewski ： 确实如此。我们在音频领域持续拓展。最初从语音技术起步，随后构建了语音助手的编排体系，如今更开发出完全持牌的音乐模型， 能够创作精彩绝伦的音乐作品与之相辅相成。 Jennifer Li ： ...